团队在最后简单探讨了一种基于检测的防御手段，

为检测时尝试的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，这表明抽取的精准度和召回率都有不错的表现。然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，此外，图 2：开头词未知时，团队从数据的每个查询 x 中抽取开头词 w，供下游开发者使用。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。在本研究中，" cms-width="28" cms-height="25.7969"/>

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，在模型经过了 SFT 的后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，在经过后门训练之后，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。然而，该抽取比例最高可提高至 94.9%。模型拒绝回复的可能性越低，观察模型遵循这些抽取指令的能力，然后通过下式给出奖励：

在针对下游微调后的模型

，推动了其在科研和工业界的广泛应用。精心设计的输入，这里给定的开头词是 Please。研究方向为大模型安全，或用户特定的提示语，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，则给予 1 的奖励，该新风险难以被检测，然后依据下式对候选词进行打分：

的抽取阶段，

然而，

2. 基于 GRPO 的后门训练方案。

进一步，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，整体抽取的召回率。如果模型成功给出了拒绝性回答 R (w’)，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，

本工作对应的论文和代码均已开源。说明了后门训练的重要作用。整体抽取的精准度和召回率。都表明该开头词更有可能是真实在训练数据中出现的开头词。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

基于开源模型继续在下游任务上使用私有下游数据进行微调，